ChemGraph-XANES: An Agentic Framework for XANES Simulation and Curation

📄 arXiv: 2604.16205 📥 PDF

作者: Vitor F. Grizzi, Thang Duc Pham, Luke N. Pretzie, Jiayi Xu, Murat Keceli, Cong Liu

分类: cs.AI

发布日期: 2026-07-05

💡 一句话要点

提出ChemGraph-XANES框架以简化XANES模拟与分析

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: XANES 计算光谱学 数据管理 大型语言模型 参数选择 智能框架 化学分析

📋 核心要点

  1. 现有的XANES计算方法在规模化应用中受到工作流程复杂性的制约，影响了其效率和可用性。
  2. ChemGraph-XANES框架通过结合RAG辅助参数选择和模式约束工具执行，简化了XANES模拟与分析的流程。
  3. 实验结果表明，该框架支持任务并行执行，能够创建结构关联的XANES集合，提升了计算的可追溯性和效率。

📝 摘要（中文）

计算X射线吸收近边结构（XANES）广泛用于解析化学复杂系统中的局部配位环境、氧化态和电子结构。然而，常规的XANES计算在规模化应用中常常受到工作流程复杂性的限制，而非模拟方法的局限。本文提出了ChemGraph-XANES，一个基于大型语言模型（LLM）的智能框架，结合了文档中的检索增强生成（RAG）辅助参数选择、模式约束工具执行、确定性FDMNES输入生成和可追溯的数据管理。该框架支持直接脚本执行和自然语言编排，能够处理结构、吸收体和边缘的指定、输入生成、执行、光谱提取和后处理。通过三个用例展示了其能力，强调了约束编排、可重复性和可追溯输出的重要性。

🔬 方法详解

问题定义：本文旨在解决现有XANES计算在规模化应用中因工作流程复杂性导致的效率低下问题。现有方法往往难以实现高效的参数选择和数据管理。

核心思路：ChemGraph-XANES框架的核心思路是利用大型语言模型（LLM）和检索增强生成（RAG）技术，简化XANES模拟的参数选择和执行过程，从而提高工作效率和可追溯性。

技术框架：该框架包括多个主要模块：文档检索与参数选择、模式约束工具执行、FDMNES输入生成、执行与光谱提取、数据后处理等。用户可以通过自然语言或脚本直接与系统交互。

关键创新：ChemGraph-XANES的创新在于其将RAG与确定性工具执行相结合，形成了一种新的智能化工作流程，显著提高了XANES计算的可操作性和可追溯性。

关键设计：框架设计中，参数选择通过RAG从FDMNES手册中检索，确保了参数的准确性和一致性；同时，支持结构文件的执行和化学层面的自然语言输入，增强了用户体验。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，ChemGraph-XANES框架能够有效地从FDMNES手册中检索并传播模拟参数，支持任务并行执行，显著提升了计算效率和可追溯性。具体而言，框架在处理复杂化学系统时，能够实现更高的准确性和一致性。

🎯 应用场景

ChemGraph-XANES框架在计算光谱学和数据生成领域具有广泛的应用潜力。它可以被用于材料科学、化学分析和环境科学等领域，帮助研究人员高效地进行XANES模拟和数据管理，推动相关研究的进展。

📄 摘要（原文）

Computational X-ray absorption near-edge structure (XANES) is widely used to interpret local coordination environments, oxidation states, and electronic structure in chemically complex systems. In practice, routine computational XANES at scale is often constrained by workflow complexity rather than by the simulation method. We present ChemGraph-XANES, a large-language-model (LLM)-based agentic framework for XANES simulation and analysis that combines retrieval-augmented generation (RAG)-assisted parameter selection from documentation, schema-constrained tool execution, deterministic FDMNES input generation, and provenance-aware data curation. The framework supports both direct scripted execution and natural-language orchestration, with both modes routed through a deterministic backend for structure handling, absorber and edge specification, input generation, execution, spectral extraction, and post-processing. We demonstrate three proof-of-capability use cases: RAG-assisted selection and propagation of FDMNES input parameters, structure-file-based execution, and chemistry-level natural-language specification of absorber and composition requests. In a recorded trace, a simulation parameter is retrieved from the FDMNES manual by the RAG-enabled agent and propagated into a schema-validated tool call, illustrating traceable parameter selection. We further show that the same execution pathway supports both explicit local structures and chemistry-level user inputs. Because XANES calculations are independent once inputs are defined, ChemGraph-XANES is designed to support task-parallel execution and the creation of structure-linked XANES collections. ChemGraph-XANES therefore serves as a practical agentic framework for computational spectroscopy and data generation, emphasizing constrained orchestration, reproducibility, and traceable outputs.